A aprendizagem profunda revolucionou muitos campos, incluindo a engenharia geotécnica. Uma das suas aplicações mais promissoras é estimar propriedades do solo, que são fundamentais para projetos de construção seguros e eficientes. Métodos tradicionais envolvem muitas vezes amostragem e testes laboratoriais, que podem ser demorados e dispendiosos.A aprendizagem profunda oferece uma alternativa mais rápida e precisa, analisando grandes conjuntos de dados para prever o comportamento do solo.Como os engenheiros geotécnicos enfrentam demandas crescentes para caracterização rápida do local e avaliação de risco, a integração de técnicas de aprendizagem profunda está transformando a forma como interpretamos as condições de subsuperfície.Este artigo fornece uma visão geral autoritária e pronta para a produção do estado atual da estimativa de propriedade baseada em aprendizagem profunda, abrangendo a aquisição de dados, arquiteturas de modelos, protocolos de treinamento, estratégias de validação, estudos de casos práticos e desafios futuros.

Importância da Estimação de Propriedade do Solo em Engenharia Geotécnica

Propriedades do solo, como resistência ao cisalhamento, permeabilidade, compressibilidade e características de compactação influenciam diretamente o projeto e estabilidade de longo prazo de fundações, encostas, paredes de retenção e terraplanagem.A estimação precisa dessas propriedades permite aos engenheiros evitar falhas, reduzir custos de superprojeção e otimizar sequências de construção.Técnicas convencionais – incluindo testes de penetração padrão (TPS), testes de penetração de cone (TPT), testes de cisalhamento de palhetas e testes de propriedades de índice laboratorial – fornecem dados pontuais específicos que exigem uma extrapolação considerável.Em perfis heterogêneos de solo, esta interpolação pode introduzir incerteza significativa.Modelos de aprendizagem profunda abordam essa limitação através da alavancagem de correlações espaciais e relações complexas não lineares entre múltiplos parâmetros de entrada, fornecendo previsões contínuas em um local com intervalos de confiança quantificados.

Aquisição de dados e preparação para modelos de aprendizagem profunda

O sucesso de qualquer aplicação de aprendizagem profunda depende da qualidade, volume e diversidade dos dados de treinamento. Na engenharia geotécnica, as fontes de dados normalmente incluem:

  • Resultados do ensaio in situ: Contagens de sopro SPT, resistência ao cone CPT, medições de pressão poros e velocidade de onda de cisalhamento a partir de levantamentos geofísicos.
  • Parâmetros do ensaio laboratório: Limites de Atterberg, distribuição do tamanho dos grãos, teor de humidade, densidade, resistência à compressão não confinada e resultados triaxiais não drenados consolidados.
  • Dados de detecção remota e geoespaciais: Modelos de elevação LiDAR, imagens multiespectrais de satélite e perfis de radar de penetração terrestre.
  • Mapas geológicos e registos históricos de furos: Descrições estratigráficas, níveis de águas subterrâneas observados e registos históricos de sítios.

A preparação de dados requer um tratamento cuidadoso dos valores em falta, detecção de outliers, normalização e engenharia de recursos. Por exemplo, os valores brutos de NPT podem ser corrigidos para a pressão excessiva e eficiência energética da haste antes de serem usados como entradas. Coordenadas espaciais (leste, norte, elevação) são frequentemente incluídas como recursos adicionais para permitir que o modelo aprenda padrões dependentes de localização. Os praticantes comumente dividem dados em treinamento, validação e testes usando conjuntos de amostragem estratificada com base no tipo de solo para evitar viés. Técnicas de aumento de dados – como adicionar pequenos ruídos gaussianos a recursos de entrada ou gerar perfis sintéticos de furos – podem melhorar a robustez do modelo quando o conjunto de dados é limitado.

Datasets públicos e proprietários

Vários repositórios de acesso aberto fornecem dados de testes de solo para pesquisa, incluindo o USGS Geochemical and Geospacial Data repositório e o Geoengineer.org soil property database. Muitas empresas de consultoria também mantêm arquivos proprietários de milhares de furos que podem ser usados para treinar modelos específicos do site. Ao usar conjuntos de dados públicos, os engenheiros devem verificar se os métodos de amostragem e as condições regionais correspondem ao seu domínio do projeto para evitar problemas de mudança de domínio.

Arquiteturas de aprendizagem profunda para a estimativa de propriedade do solo

Modelos de aprendizagem profunda aprendem automaticamente características hierárquicas de entradas brutas ou projetadas. A escolha da arquitetura depende da natureza dos dados de entrada e da propriedade alvo. Abaixo estão as três famílias de modelos mais comumente empregadas em aplicações geotécnicas.

Redes Neurais Convolucionais (CNN)

As CNNs são projetadas para processar dados semelhantes a grades, como imagens ou matrizes 2D. Em engenharia geotécnica, as CNNs foram aplicadas para classificar tipos de solos de imagens transversais, prever resistência ao cisalhamento não drenada de imagens de perfil CPTu e mapear propriedades do solo de imagens multiespectrais de sensoriamento remoto. Uma arquitetura típica da CNN inclui camadas convolucionais seguidas de agrupamento e camadas totalmente conectadas. Por exemplo, um estudo de Zhang et al. (2020) usou uma CNN 2D para predizer condutividade hidráulica de toros de furos dispostos em um formato pseudo-imagem, atingindo valores R2 acima de 0,85 em conjuntos de validação. As CNNs são particularmente eficazes quando o contexto espacial, como a variação de camadas de solo com profundidade, é crítica.

Redes Neural Recorrentes (RNNs) e Memória de Longo Prazo (LSTM)

As RNNs se destacam no manuseio de dados sequenciais, tornando-as ideais para modelar propriedades do solo dependentes da profundidade. Como as toras de furo e as sondas de CPT são essencialmente sequências de medições em profundidades crescentes, as RNNs podem capturar tendências de profundidade e autocorrelação. As redes LSTM, uma variante de RNNs, atenuam o problema do gradiente de desaparecimento e podem aprender dependências de longo alcance. Os pesquisadores treinaram LSTMs para prever parâmetros de compactação do solo (densidade máxima seca e teor ótimo de umidade) a partir de sequências de profundidade de umidade e leituras de densidade, superando modelos de regressão tradicionais em 10–15% em erro absoluto médio.

Redes Neurais de Alimentação Profunda (DNN) e Perceptrons Multicamadas (MLPs)

Para dados tabulares estruturados, como um conjunto de propriedades de índice de uma amostra de solo, uma DNN padrão funciona bem. Estes modelos consistem em uma camada de entrada, várias camadas ocultas com funções de ativação não-linear (ReLU, tanh) e uma camada de saída adequada para regressão ou classificação. Os DNNs podem aproximar qualquer função contínua dada a neurónios e camadas suficientes. Na prática, os engenheiros usam frequentemente os DNNs para prever parâmetros de resistência ao cisalhamento a partir dos limites de Atterberg, frações de tamanho de grão e teor de umidade natural. Técnicas de regularização como evasão, normalização em lote e decaimento de peso L2 são essenciais para evitar sobreajustamento quando o número de amostras de treinamento é limitado (muitas centenas).

Arquiteturas híbridas e avançadas

As abordagens mais recentes combinam várias arquiteturas. Por exemplo, uma CNN pode extrair características espaciais de uma imagem de um perfil de solo, enquanto uma LSTM processa a sequência de profundidade da resistência à penetração. Os mecanismos de atenção, inspirados no modelo Transformer, são cada vez mais usados para pesar as características de entrada de forma adaptativa. Um modelo baseado em transformer ] treinado em dados de furos multiescala tem mostrado desempenho de ponta na previsão de resistência à compressão não confinada em diferentes tipos de solo. No entanto, tais modelos requerem dados substanciais e recursos computacionais, que podem nem sempre ser viáveis na prática de rotina.

Modelo de treinamento, validação e quantificação de incerteza

O treinamento de um modelo de aprendizagem profunda para a estimativa da propriedade do solo envolve vários passos críticos além de simplesmente minimizar a perda de dados de treinamento.

Funções de perda e Métricas de Avaliação

Para as tarefas de regressão, o erro médio ao quadrado (EMS) ou o erro médio absoluto (EAM) são funções comuns de perda. Dado que as propriedades do solo podem variar em várias ordens de magnitude, são preferenciais alvos log-transformados ou métricas de erro relativo (por exemplo, erro percentual absoluto médio, EAM). Para tarefas de classificação (por exemplo, identificação do tipo de solo), a entropia cruzada categórica é padrão. As métricas de avaliação devem incluir R2, índice de concordância (IA) e o coeficiente de eficiência de Nash-Sutcliffe (NSE) para comparar o desempenho do modelo com uma linha de base (por exemplo, média de observações). É vital relatar intervalos de confiança para previsões usando técnicas como a evasão de Monte Carlo ou métodos de conjunto.

Correlação entre a Validação e o Espaço

Dados geotécnicos estão inerentemente correlacionados espacialmente. As divisões aleatórias de teste de trem podem levar a um desempenho super otimista porque os furos próximos compartilham propriedades semelhantes. A validação cruzada espacial -- onde os dados são particionados por clusters geográficos ou por intervalos de profundidade -- fornece uma estimativa mais realista da generalização do modelo. Por exemplo, uma validação cruzada k- vezes usando blocos espaciais (por exemplo, células 500 m por 500 m) garante que o modelo é testado em locais não amostrados, imitando extrapolação do mundo real.

Regularização e Ajuste de Hiperparameter

A escolha do número ideal de camadas, neurônios, taxa de aprendizado, tamanho do lote e função de ativação pode ser automatizada usando a pesquisa em grade, pesquisa aleatória ou otimização Bayesiana. Parada precoce baseada na perda de validação evita o ajuste excessivo. O aumento de dados, como mencionado, pode aumentar artificialmente o tamanho do conjunto de dados. Para pequenos conjuntos de dados (menos de 500 amostras), a transferência de aprendizagem de um modelo pré-treinado em um grande banco de dados de solo (se disponível) pode ser benéfica.

Estudos de Caso e Aplicações Práticas

Vários projetos no mundo real têm demonstrado a eficácia da aprendizagem profunda para a estimativa da propriedade do solo.

Previsão da força de tesoura sem draga em argilas macias

Um grande projeto de infraestrutura no Sudeste Asiático exigiu a caracterização de um depósito de argila espesso para o desenho de túneis.A amostragem tradicional forneceu apenas 40 pontos de dados em um alinhamento de 2 km.Uma rede neural de alimentação profunda foi treinada em 300 furos históricos de formações geológicas semelhantes na região, utilizando valores de N-PTS, umidade, limite de líquido e profundidade como insumos.O modelo previu a resistência ao cisalhamento não drenada em intervalos de 1 m ao longo do alinhamento do túnel com um R2 de 0,91, parâmetros de projeto orientadores e economia de meses de testes de campo adicionais.Os resultados foram validados com cinco novos furos, confirmando a precisão do modelo em 12% dos valores medidos.

Potencial de Liquefacção do Solo a Mapear Usando CNNs

Os engenheiros da Califórnia utilizaram uma CNN para processar dados de CPTu para estimar o potencial de liquefação. A entrada foi uma grade 2D de resistência a cones e razão de atrito sobre profundidade, e a saída foi uma classificação binária de liquefação em cada profundidade. O modelo foi treinado sobre dados do terremoto Loma Prieta de 1989 e validado no evento Northridge de 1994. A CNN obteve 88% de precisão, superando os métodos convencionais baseados em estresse em 7 pontos percentuais. Este trabalho destacou a capacidade do modelo de capturar interações complexas entre camadas de solo sem exigir razões de força cíclica intensivas.

Estimativa da Condutividade Hidráulica de Diários Litológicos

Em um estudo de modelagem de águas subterrâneas, uma rede LSTM foi treinada em sequências de profundidade de descrições litológicas (codificadas como variáveis categóricas) e medição da condutividade hidráulica a partir de testes de empacotador. O modelo previu com sucesso perfis de condutividade para centenas de furos não amostrados em um aquífero de 50 km2, reduzindo o custo de testes adicionais de bomba em mais de 60%. Os resultados foram publicados em um periódico revisado por pares e desde então foram incorporados em um modelo de fluxo de água subterrânea regional.

Desafios e Limitações

Apesar da promessa, o aprendizado profundo em engenharia geotécnica enfrenta vários obstáculos que devem ser reconhecidos.

Qualidade e Quantidade dos Dados

Muitos conjuntos de dados geotécnicos são pequenos, barulhentos ou incompletos. Os logs de furos geralmente não possuem parâmetros-chave, e os testes laboratoriais podem ter erros sistemáticos. Modelos de aprendizagem profunda requerem grandes quantidades de dados de alta qualidade para generalizar; com dados insuficientes, eles podem sobreajustar ou produzir previsões confiáveis fora do domínio de treinamento. Iniciativas colaborativas de compartilhamento de dados (por exemplo, bancos de dados de toda a indústria) podem mitigar isso, mas questões de dados proprietários e padronização permanecem.

Inpretabilidade do modelo

Engenheiros e reguladores precisam entender por que um modelo faz uma predição particular. Modelos de aprendizagem profunda são frequentemente considerados caixas pretas. Técnicas como SHAP (Explicações Aditivas Shapley) e LIME (Explicações Anásticas de Modelos interpretáveis locais) podem fornecer importância de recursos, mas eles nem sempre capturam relações causais físicas. Desenvolver modelos inerentemente interpretáveis ou incorporar restrições informadas por física (por exemplo, garantindo que a força prevista aumenta com a profundidade) é uma área ativa de pesquisa.

Desvio de Domínio e Variabilidade Espacial

Um modelo treinado em dados de uma região pode apresentar mau desempenho em um ambiente geológico diferente devido a mudanças na gênese do solo, mineralogia e histórico de estresse. Os engenheiros devem avaliar cuidadosamente se a distribuição de dados de treinamento corresponde ao local de teste. Técnicas como adaptação de domínio através de treinamento adverso ou usando redes neurais Bayesianas para quantificar a incerteza epistêmica podem ajudar a identificar quando as previsões não são confiáveis.

Integração com fluxos de trabalho tradicionais

A maioria das empresas de engenharia ainda depende de métodos determinísticos ou semi-empíricos para a estimativa da propriedade do solo. A transição para o aprendizado profundo requer não só investimentos em software e hardware, mas também uma mudança cultural na forma como as investigações geotécnicas são planejadas e executadas. Projetos-piloto que comparam as previsões de aprendizagem profunda com os resultados de testes tradicionais podem construir confiança. A Sociedade Americana de Engenheiros Civis (ASCE) Geo-Institute [] formou um comitê de tarefas para desenvolver diretrizes para aplicações de IA em engenharia geotécnica, que provavelmente acelerará a adoção.

Instruções futuras e necessidades de pesquisa

O campo está em rápida evolução, com várias direções promissoras no horizonte.

Fusão de dados e multi-fidelidade

Combinando dados de laboratório esparsos e de alta qualidade com medições in situ densas e de baixa qualidade, pode melhorar a precisão do modelo, reduzindo os custos. Processos gaussianos de multifidelidade e conjuntos de rede neural que aprendem a discrepância entre as fontes de dados estão sendo explorados. Por exemplo, usar dados de CPT para predizer o tipo de comportamento do solo e, em seguida, calibrar um modelo de alta fidelidade com alguns testes triaxiais produz estimativas melhores do que qualquer outra fonte.

Redes Neurais Informadas de Física (PINNS)

As PINNs incorporam leis físicas (por exemplo, a lei de Darcy para o fluxo de água subterrânea, a equação de consolidação de Terzaghi) diretamente na função de perda. Isto garante que as previsões satisfaçam equações de governo conhecidas, melhorando as capacidades de extrapolação e fornecendo resultados fisicamente consistentes.As aplicações iniciais em geotécnicas incluem a previsão de curvas de consolidação de liquidação e fatores de estabilidade de inclinação de segurança.

Caracterização do Site em Tempo Real

Com o aumento de plataformas de perfuração automatizadas e alimentação de sensores em tempo real, modelos de aprendizagem profunda podem fornecer estimativas instantâneas de propriedade do solo durante a investigação do local. Um modelo treinado em projetos anteriores poderia atualizar previsões à medida que novos dados chegam, permitindo que os engenheiros adaptem o plano de amostragem em tempo real.

Robusto às Condições Adversárias

Os erros de medição e outliers podem degradar o desempenho do modelo. O treinamento adversário, onde o modelo é exposto a entradas intencionalmente corrompidas durante o treinamento, pode tornar o modelo mais robusto. Além disso, métodos de conjunto que predições médias de modelos múltiplos reduzem a variância e melhoram a confiabilidade.

Conclusão

Métodos baseados em aprendizagem profunda têm grande promessa para transformar a estimativa de propriedade do solo em engenharia geotécnica. Ao permitir avaliações mais rápidas, precisas e econômicas, essas técnicas podem melhorar a segurança e eficiência de projetos de construção em todo o mundo. A integração de arquiteturas de modelos avançados, o tratamento adequado de dados e quantificação de incertezas mudou esses métodos da curiosidade acadêmica para ferramentas práticas em projetos selecionados. No entanto, adoção generalizada exigirá enfrentar desafios na disponibilidade de dados, interpretabilidade de modelos e adaptação de domínios. Pesquisa continuada, combinada com benchmarking padronizado e iniciativas de dados abertos, aumentará ainda mais as capacidades e confiança em aprendizagem profunda para a prática geotécnica. Engenheiros que abraçam essas ferramentas, mantendo uma base forte na mecânica do solo, serão melhor posicionados para fornecer soluções inovadoras e confiáveis de caracterização de locais.